AI 연구

캐나다 인공지능 기업 코히어가 새로운 자동 음성 인식 모델 '트랜스크라이브'를 발표했습니다. 이 모델은 주요 벤치마크에서 업계 최고 수준의 성능을 기록하며 기업용 음성 인터페이스 시장 공략을 예고했습니다.

스위스 취리히 연방 공과대학교 연구진이 코딩 에이전트의 작업 성공률에 'AGENTS.md' 등 컨텍스트 파일이 미치는 영향을 분석했습니다. LLM이 생성한 컨텍스트 파일은 모델 성능을 저하하고 추론 비용을 20% 이상 증가시키는 것으로 나타났습니다. 개발자가 직접 작성한 파일도 성능 향상폭이 미미해 사용 시 최소한의 요구사항만 담아야 한다고 했습니다.

LLM은 레이어가 깊어질수록 초반 레이어의 정보가 희석되는 구조적 결함을 안고 있습니다. 중국 AI 스타트업 Moonshot AI의 Kimi 팀이 이 문제를 소프트맥스 어텐션으로 대체하는 일명 어텐션 잔차(Attention Residuals) 기술로 해결했습니다. 코딩, 수학, 추론 등 모든 벤치마크에서 기준선을 상회했습니다.

LLM은 겉보기에 타당한 논리적 근거(Chain-of-Thought)를 제시하지만, 실제 의사결정 과정에서 내부적 편향을 숨길 수 있습니다. 채용·대출 승인·대학 입학 등에서 성별·인종뿐 아니라 언어 능력이나 문체에 따른 보이지 않는 편향이 확인되었습니다.

프롬프트 엔지니어링이 실제 AI 시스템에서 반복적으로 실패하는 이유를 실험적으로 분석한 논문이 나왔다. 연구진은 프롬프트 최적화만으로는 정확성, 일관성, 재현성을 확보할 수 없다고 결론 내렸다. 같은 프롬프트라도 입력 표현·순서·길이에 따라 결과가 크게 달라졌다.

2025년 arXiv에 공개된 논문 "Prompting is not Enough"는 프롬프트 중심 AI 활용이 왜 불안정한지를 실험으로 보여주었습니다. 프롬프트는 도움이 되지만, 정확성·일관성·재현성을 확보하기에는 충분하지 않다는 결론입니다. 실무에서 AI 실수를 줄이는 다섯 가지 원칙이 있습니다. 첫째, 3줄 템플릿을 고정합니다. 목표(무엇을 만들지 1문장